深度置信网络算法在公路边坡工程安全评价中的运用

针对传统边坡工程安全评价方法无法对边坡稳定性进行符合实际情况下工程安全评价的问题,提出一种基于深度置信网络(Deep Belief Networks,DBN)算法的公路边坡工程安全评价方法。首先,使用MATLAB建立模型;然后,对基于DBN算法的边坡稳定性安全评价方法进行研究;最后,使用DBN算法在莆炎高速公路项目中进行公路边坡工程安全评价。结果显示:(1)与反向传播(Back Propagation,BP)神经网络相比,DBN模型得到的预测值误差更小,精度更高,计算复杂度更低、可扩展性更强;(2)在实际工程中,DBN算法能够有效地对众多非线性因素共同作用下的公路边坡进行符合实际的安全评价。

基于改进狼群算法-深度置信网络(IGWO-DBN)模型的旋风分离器压降预测

针对目前旋风分离器压降计算模型在准确性和实用性上的不足,为更好地指导旋风分离器的结构设计和性能优化,采用深度学习方法对其压降进行了预测。选取了影响压降的7个几何参数,采用深度学习中的深度置信网络(deep belief network,DBN)对旋风分离器压降数据进行预测,并利用改进的狼群算法(improved grey wolf optimizer,IGWO)对DBN模型的初始化权重和偏置参数进行寻优,构建IGWO-DBN组合模型,同时与几种传统计算模型和机器学习模型的预测结果进行对比。结果表明,IGWO-DBN模型在计算精度上优于Shepherd-Lapple模型、Casal模型等传统计算模型,并优于反向传播神经网络(back propagation neural network,BPNN)、支持向量机(support vector machine,SVM)、极限学习机(extreme learning machine,ELM)等机器学习模型,计算效率大幅提升,且具有较好的泛化性和鲁棒性,可用于旋风分离器压降参数的预测。

基于深度置信网络的交直流配电网直流故障检测技术

随着多源交直流配电网的发展,其直流故障检测技术已成为直流保护的关键。针对直流部分发生配电线路故障时故障电流大且上升迅速以及故障特征不易提取的特点,文中提出一种结合时域和频域特征提取的基于深度置信网络(deep belief network,DBN)的交直流配电网故障检测技术。通过对故障等效回路进行特征分析,分别利用傅里叶变换和相模变换提取故障电流、电压信号的频域和时域特征作为DBN的输入,并使用Softmax分类器输出故障选极和故障区域识别结果。在PSCAD上搭建交直流配电网模型对算法进行测试,仿真结果表明,所提检测方法在线路分布电容和控制策略的影响下依然具有很高的准确性,且有很强的耐受噪声能力,同时进一步的算法对比实验说明故障特征提取和深度学习模型训练相结合能够完成交直流配电网复杂直流故障的检测。

基于深度置信网络(DBN)的赤潮高光谱遥感提取研究

赤潮是严重的海洋灾害,有效监测赤潮对于保护海洋生态环境具有重要意义。高光谱遥感具有光谱分辨率高、图谱合一等优势,适合于海洋赤潮监测。深度学习是机器学习领域的前沿,为高光谱遥感分类提供了新的思路。深度置信网络(Deep Belief Network,DBN)兼具监督分类与非监督分类的特点,通过构建DBN模型,将DBN应用于赤潮灾害遥感监测中,应用渤海机载高光谱遥感数据开展赤潮分类,以达到提取高光谱图像中赤潮水体范围的目的。通过设置对照实验,对比经典的SVM监督分类方法与ISODATA非监督分类方法,发现DBN模型在相同实验条件下具有更高的分类精度,赤潮遥感提取精度提高了3%～11%。

基于PSO改进深度置信网络的滚动轴承故障诊断

针对深度置信网络(Deep Belief Network,DBN)用于轴承故障诊断时,网络层结构调试比较费时等问题,提出一种基于粒子群优化(Particle Swarm Optimization,PSO)的DBN算法,以及基于该算法的轴承故障诊断模型。该模型利用PSO算法优选DBN网络结构,并通过自适应时刻估计法微调模型参数,随后运用具有最优结构的DBN模型直接从原始振动信号中提取低维故障特征,并将其输入到Soft-max分类器中识别轴承的故障模式。该算法与支持向量机、BP神经网络、DBN、堆叠降噪自编码等方法进行对比分析,实验结果表明,PSO改进的DBN算法具有更高的准确率以及更好的鲁棒性。

基于种蛋图像血线特征和深度置信网络的早期鸡胚雌雄识别

为了实现孵化早期鸡胚雌雄识别,构建了机器视觉采集系统,在LED光源下获取180枚鸡种蛋孵化第4天的图像。首先对鸡种蛋图像进行RGB分量提取、中值滤波、感兴趣区域提取等预处理,然后利用限制对比度自适应直方图均衡化、形态学处理、最大类间方差阈值分割和八连通域去噪等方法凸显血线纹理,并通过方向梯度直方图(histogram of oriented gradient,HOG)提取图像的全信息特征和利用灰度共生矩阵提取能量、对比度、相关性、熵、均匀度等5个特征,对HOG全信息特征采用主成分分析(principal component analysis,PCA)降维,最后利用全信息特征和PCA降维特征-灰度共生矩阵特征组合的简化特征,分别构建支持向量机(support vector machine,SVM)、反向传递(back propagation,BP)神经网络、深度置信网络(deep belief networks,DBN)3种鸡胚雌雄识别模型,并比较不同模型的识别准确率。试验中,全信息特征比简化特征构建的模型识别准确率高,基于简化特征的BP、SVM、DBN模型测试集识别综合准确率分别为51.67%、60%和58.33%,基于全信息特征的BP、SVM、DBN模型测试集识别综合准确率分别为58.33%、63.33%和83.33%。其中,基于全信息特征的DBN模型识别准确率最高,达到83.33%。结果表明机器视觉技术为孵化早期鸡胚雌雄识别提供了一种可行方法。

基于深度置信网络与信息融合的齿轮故障诊断方法

针对齿轮在复杂运行工况下故障特征提取困难,传统故障诊断方法的识别精度易受人工提取特征的影响,以及单传感器获取信息不全面等问题,提出基于深度置信网络(DBN)与信息融合的齿轮故障诊断方法。通过多传感器信息融合技术对每个传感器采集的振动信号进行数据层融合;利用DBN进行自适应特征提取从而实现故障分类。为了避免因人为选择DBN结构参数,导致模型识别精度下降的问题,利用改进的混合蛙跳算法(ISFLA)对DBN结构参数进行优化。试验表明,与BP神经网络、未经优化的DBN以及单传感器故障诊断相比,该研究提出的信息融合及优化方法具有更高的故障识别精度。

改进的深度置信网络分类算法研究

深度置信网络(deep belief network,DBN)通过逐层无监督学习进行训练,但训练过程中易产生大量冗余特征,进而影响特征提取能力。为了使模型更具有解释和辨别能力,基于对灵长类视觉皮层分析的启发,在无监督学习阶段的似然函数中引入惩罚正则项,使用CD(contrastive divergence)训练最大化目标函数的同时,通过稀疏约束获得训练集的稀疏分布,可以使无标签数据学习到直观的特征表示。其次,针对稀疏正则项中存在的不变性问题,提出一种改进的稀疏深度置信网络,使用拉普拉斯函数的分布诱导隐含层节点的稀疏状态,同时将该分布中的位置参数用来控制稀疏的力度,即根据隐藏单元的激活概率与给定稀疏值的偏差程度而具有不同的稀疏水平。通过在MNIST和Pendigits手写体数据集上进行验证分析,并与多种现有方法相比,该方法始终达到最好识别准确度,并且具有良好的稀疏性能。

基于深度置信网络的制动器故障诊断方法

针对吊车制动器故障诊断中故障机理复杂、先验知识欠缺、传统的故障诊断方法精度不高和人工依赖大等问题,本文提出一种基于深度置信网络(DBN)的制动器故障诊断方法。该方法通过柔性薄膜传感器阵列获取制动器不同工况的实时特征数据及信号,利用网络的无监督特征学习和有监督微调,构建制动器故障诊断的深层网络模型,从而实现了对制动器的故障诊断及预测。最后,分别与支持向量机(SVM)和遗传算法(GA)优化的BP神经网络(GA-BP)进行了对比研究,通过实验证明了本文方法的优越性。

基于深度置信网络的近距空战态势评估

针对传统态势评估方法权值确定困难、大规模数据处理和特征提取能力不足的问题,结合当前空战数据特征,将深度置信网络(DBN)应用于近距空战态势评估。通过密度峰值算法对空战特征数据进行聚类分析,并结合态势函数和专家判读进行修正,建立标准空战态势样本库;以重构误差和测试错误率为基础,建立网络拓扑结构和最优参数确定方法,提高模型的训练效率,并通过样本数据,对模型进行训练和验证。实验表明,模型态势分类正确率达到92.7%,模型运行时间满足应用需求,实例评估结果与客观态势一致性强。

基于深度置信网络的维吾尔语人称代词待消解项识别

针对维吾尔语人称代词指代消解研究忽略了待消解项识别而引入了噪声的问题,提出一种基于深度置信网络(Deep Belief Networks,DBN)的维吾尔语人称代词待消解项识别方法。在分析维吾尔语人称代词语法特征和语言规则的基础上,总结出包含10项特征的维吾尔语人称代词待消解项特征集。所提方法首先通过逐层贪婪地训练每一层受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)网络,来保证特征向量映射到不同的特征空间,尽可能多地保留特征信息;并在最后一层设置BP网络,对RBM输出的特征向量进行分类,以有监督的方式训练整个网络并进行微调。实验结果表明,所提方法正确识别维吾尔语人称代词待消解项的准确率达到95.17%,比SVM算法提高了9%,从而验证了其有效性和可行性。

基于GLCM-GMRF纹理特征和深度置信网络的SAR图像分类

传统基于深度置信网络(deep belief network,DBN)的合成孔径雷达(Synthetic Aperture Radar,SAR)图像分类方法受相干斑噪声影响严重,文章通过引入图像的纹理特征作为先验信息,反映像素间的空间关系和不同地物类型的独有特性,提出了一种基于GLCM-GMRF纹理特征和DBN的SAR图像分类方法。该方法利用灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取SAR图像在空间上的灰度相关特征,同时利用高斯马尔可夫随机场(Gaussian Markov random field,GMRF)建立邻域像素间的统计相关特性,组合提取得到的GLCM-GMRF纹理特征与图像强度矢量,送入DBN网络进行学习和分类。采用RADARSAT-2数据进行实验验证,实验结果表明,与传统DBN、支持向量机(support vector machine,SVM)分类方法相比,该方法可以有效抑制相干斑噪声影响,取得更好的分类结果。

基于改进VMD和深度置信网络的风机易损部件故障预警

考虑到风电机组运行时监测到的轴承、齿轮等易损部件的振动信号早期故障特征微弱且难以提取,提出了基于变分模态分解的风机易损部件故障特征提取方法,并采用深度置信网络对故障进行预警。为克服变分模态分解参数选取对特征提取效果的影响,基于各分量的相关系数确定分解个数,并采用粒子群算法来优化惩罚因子,将改进的变分模态分解用于振动信号进行分析处理;在此基础上,进一步提取各分量的排列熵和均方根值并将其构成的高维特征向量作为深度置信网络的输入,建立早期故障诊断模型;选取风机传动故障诊断实验平台早期故障数据和某风电机组的现场信号进行故障诊断分析。结果表明,该方法能准确稳定地提取风机易损部件故障信号的微弱特征,并进行故障有效识别,提高了风机易损部件故障预警的准确性。

改进的稀疏深度置信网络

深度学习作为近年热门研究领域,具有极大的应用前景,但存在过拟合、欠拟合、隐藏层数和节点数选取等诸多问题。针对深度置信网络存在的过拟合问题,借鉴压缩感知理论和零范数的数学性质,构建了一种基于无均值高斯分布函数的稀疏深度置信网络。通过在预训练阶段添加稀疏正则项,进一步改进深度置信网络训练过程的方法加以解决过拟合问题。利用ORL和MINIST两种公开数据集上对该改进方案进行验证分析,结果表明其比现有的改进方案在稀疏性和准确性上有较大提升。

采用深度置信网络的恐怖袭击事件量化分级研究

恐怖袭击不但会造成大量人员伤亡和财产损失,还会造成群众恐慌,对社会稳定有很大影响。旨在从数据分析角度,依据相关数据对恐怖袭击中蕴藏的信息加以分析,为防恐反恐提供有用信息。针对基于危害的恐怖袭击事件分级,根据GTD上1998-2017年数据信息进行数据提取,考虑到很多变量大面积缺失数据,首先对这些变量的重要性作简易评估并进行删减,然后对数据进行清洗和补充,最后根据特征提取和降维后的数据,分出事件对应的恐怖袭击级别。结果表明,深度学习中的深度置信网络(DBN)可以用于提取和减少预处理数据,且DBN可自动实现上述功能,无需太多人为干预。

基于VMD-DBN的矿井涌水量预测方法

在煤矿采掘过程中,因矿井涌(突)水造成的人员和财产损失极为严重。为预防涌(突)水灾害事故的发生,掌握涌水量的发展变化规律,开展涌水预测预报尤其是矿井涌水量的精准预计尤为重要,是矿井水害防治中一项重要的工作任务。为提高矿井涌水量的预测准确性,针对随时间无明显变化规律的涌水量序列,提出了变分模态分解(Variational Mode Decomposition,VMD)和深度置信网络(Deep Belief Network,DBN)相结合的高效时间序列预测模型。首先通过VMD模态分解技术对原始数据进行去噪,将原始矿井涌水量时间序列分解为若干个本征模态函数(Intrinsic Mode Function,IMF)分量,使各个IMF分量都具有原始时间序列在不同时间尺度下的统计学特征量,降低了原始时间序列的强震荡性和非稳定性。其次针对每个IMF分量,分别建立各自的DBN模型进行训练学习,进而建立起相应的预测网络模型。最后融合各分量预测值得到最终结果。结果显示,VMD-DBN的E_(MA)、E_(MAP)、E_(RMS)和R^(2)分别为9.23、0.76%、11.55和0.97,通过与GA-BP、LSTM、VMD-LSTM、RBM、VMD-RBM和DBN模型的预测值进行对比发现,VMD-DBN模型进行矿井涌水量预测具有更高的预测精度。VMD-DBN模型对于涌水量随时间无明显变化规律、且具有较强震荡性和非平稳的工况具有相对明显的优势,丰富了矿井涌水量预测方法,为智慧矿山的安全监测提供一种新型的技术手段,具有一定的理论价值和现实意义。

结合DBN和CHMM的滚动轴承性能退化评估

针对现有退化评估方法应用情境单一,特征指标筛选依赖人工经验,提出了一种基于深度置信网络(Deep belief network, DBN)和连续隐马尔科夫(Continuous hidden markov model, CHMM)相结合的滚动轴承性能退化评估方法。将滚动轴承正常状态下的振动信号处理为归一化幅值谱,以此作为DBN特征自动提取模型的输入,并使用CHMM做评估模型,其中CHMM的训练样本即通过DBN提取的正常状态下的特征向量。通过不同情境下的滚动轴承全寿命周期实验数据验证了所提模型的有效性。与近期有关文献所提方法进行比较,该方法避免了人工选择特征指标,且对早期微弱故障检测具有一定的敏感性。

基于CLPSO-IDBN的风电机组轴承故障诊断

针对风电机组轴承故障诊断时的数据特征复杂难以提取,故障诊断准确率低,耗费时间长等问题,提出一种综合型学习粒子群算法(comprehensive learning particle swarm optimization,CLPSO)与改进深度置信网络(improved deep belief network,IDBN)相结合的故障诊断方法。首先在DBN内部添加了迭代误差阈值优化策略构建IDBN,大大减少了训练时间;然后利用CLPSO算法优选IDBN网络结构,运用具有最优结构的IDBN模型从原始信号中提取故障特征,识别轴承的故障类型。仿真实验结果表明,CLPSO-IDBN算法模型具有更高的准确率以及在相同情况时更少的训练时间,在训练集和测试集上的诊断准确率分别达到了98.28%与97%,并且可以平均节省约30%的训练时间,与4种其他方法相比较,证实了新方法的有效性与准确性。

基于深度学习的太阳能电池片表面缺陷检测方法

目前对太阳能电池片的缺陷检测仍依赖人工完成,很难通过传统的CCD成像系统自动识别.作为一种多层神经网络学习算法,深度学习因对输入样本数据强大的特征提取能力而受到广泛关注.文中提出一种基于深度学习的太阳能电池片表面缺陷检测方法,该方法首先根据样本特征建立深度置信网络(DBN),并训练获取网络的初始权值;然后通过BP算法微调网络参数,取得训练样本到无缺陷模板之间的映射关系;最后利用重构图像与缺陷图像之间的对比关系,实现测试样本的缺陷检测.实验表明DBN能较好地建立上述映射关系,且准确、快速地进行缺陷检测.

基于双结构深度学习的滚动轴承故障智能诊断

大型转动机械在工业生产过程中,轴承故障频发,呈现出一种“大数据”的特性,并且现场获取的故障数据往往是不完备和无标签的,亟需开发具有自学习能力的诊断算法。针对该研究提出一种基于双结构深度学习的轴承故障类型与损伤程度的智能诊断算法。该方法使用不完备的数据建模,分为故障类型自学习网络和故障损伤等级识别网络两个结构。对轴承故障信号进行形态学滤波,抑制部分噪声,增强信号的脉冲特征;对消噪后信号进行S变换得到时频图,获取故障类型的共性特征;并将时频图作为卷积神经网络(CNN)的输入,利用网络的相似性度量在目标空间对同类型样本汇聚、不同类型样本分离,实现对轴承故障类型的分类与新故障类型的自学习。将实现故障类型分类的信号经归一化处理后作为深度置信网络(DBN)的输入,利用DBN对微小故障的敏感性对不同损伤程度的差异特征进行提取,之后将提取的特征作为贝叶斯分类器的输入,依据后验概率判别规则实现故障损伤等级自主识别。将该方法应用于西储大学实验平台的滚动轴承故障数据,结果表明,该方法在不完备数据建模的情况下,不仅能完成故障类型与损伤等级的准确分类,而且还能实现故障自学习和损伤等级自增长,增强了诊断过程的智能性。